はじめに

「Webからデータを取ってきて、グラフにまとめて、ちょっとした予測までしてみたい」
そんなふうに思ったことはありませんか？

この記事では、Pythonのスクレイピングやデータ分析の技術を、実際の題材で体験することを目的としています。
テーマとして選んだのは、ちょっと身近な「自動車保険」。

保険選びって、実はいろんなデータ（料金、補償、サービス内容など）が複雑に絡み合っていて、情報の整理や比較が難しいですよね。だからこそ、「データ分析の練習素材」としてはピッタリなんです。

この記事では、以下のようなステップでPythonを実践的に使っていきます：

• Webから保険情報を自動で取得（スクレイピング）
• Pandasで表にまとめて比較
• Matplotlibで料金の違いをグラフに可視化
• 簡単な機械学習で保険料の予測

保険の専門知識は必要ありません。
「Pythonを使ってリアルな題材で手を動かしてみたい！」という方なら、きっと楽しめる内容になっています。
ぜひ、最後まで読みながら一緒にコードを書いてみてください！
プログラミング初心者でも分かるように、コードや考え方をていねいに紹介していきますので、ぜひ最後までお付き合いください！

1. 保険比較の第一歩：データを集めよう

自動車保険を選ぶには、まず正確な情報を集めることが大切です。
料金、補償内容、条件……いろんな情報を1つ1つ調べるのは大変ですが、ここでPythonの出番です！

Webスクレイピングで情報を自動取得！

たとえば、保険会社の公式サイトに掲載されている「保険料の例」や「補償内容」の表。これを1つずつ手でコピーするのは大変ですよね。でもPythonを使えば、Web上の情報を自動で取得することができます。

代表的な方法は、Webスクレイピングと呼ばれる手法。
以下のようなライブラリを使います：

import requests
from bs4 import BeautifulSoup

これらを使えば、保険会社のサイトにアクセスして、必要なテキストや表を抜き出すことができます。

📌注意ポイント
スクレイピングを行う際は、**対象サイトの利用規約（robots.txt）**を必ず確認してください。スクレイピングが禁止されているサイトもあります。ルールを守って使いましょう。

APIが提供されていればもっとスマートに！

一部の比較サイトや保険見積サービスでは、公式にAPIを提供しているところもあります。APIとは、データを機械的にやり取りできる“入り口”のようなもの。これを使えば、もっと簡単・確実に保険の情報を取得できます。

例えば、架空のAPIがあるとしたら以下のようにデータを取得します：

import requests

response = requests.get("https://api.example.com/insurance")
data = response.json()

このように、JSON形式で保険プランの情報を扱うことができるので、後の比較分析にも便利です。

どんな情報を集めるとよいか？

保険を比較するために、以下のようなデータを集めておくと効果的です：

次のステップでは、この集めたデータを使って、Pandasで整理・比較していきます！
「たくさんの保険を、見やすくまとめる」テクニックを紹介しますので、ぜひ続けてご覧ください。

2. Pandasで比較しやすく整形しよう

せっかく集めた保険の情報も、バラバラな状態だと比較しづらいですよね。
ここでは、Pythonの人気ライブラリ「Pandas」を使って、情報をきれいに整理していきましょう！

Pandasとは？

Pandasは、表形式のデータ（行と列があるデータ）を扱うのにとても便利なライブラリです。
Excelのような感覚で使えるので、データ分析の世界では定番のツールです。

まずは、Pandasをインストールしておきましょう：

pip install pandas

データを表にしてみよう！

たとえば、保険会社A・B・Cのデータを手動でまとめた場合、次のように扱えます：

import pandas as pd

data = {
    '保険会社': ['A社', 'B社', 'C社'],
    '年間保険料（円）': [45000, 52000, 47000],
    '対人補償': ['無制限', '無制限', '1億円'],
    '車両保険': ['あり', 'なし', 'あり'],
    'ロードサービス': ['あり', 'あり', 'なし']
}

df = pd.DataFrame(data)
print(df)

このコードを実行すると、以下のような表が表示されます：

  保険会社  年間保険料（円）   対人補償 車両保険 ロードサービス
0    A社       45000  無制限    あり       あり  
1    B社       52000  無制限    なし       あり  
2    C社       47000   1億円    あり       なし  

条件でフィルターしてみよう

「対人補償が無制限で、車両保険もあるプランだけ見たい！」
そんなときは、Pandasで簡単に絞り込みができます。

filtered = df[(df['対人補償'] == '無制限') & (df['車両保険'] == 'あり')]
print(filtered)

このように、自分の条件に合った保険だけを表示できるのは大きなメリットです！

おすすめ：CSVから読み込んで整形

スクレイピングやAPIで取得したデータをCSVに保存しておけば、次のように読み込んで分析もできます：

df = pd.read_csv("insurance_data.csv")

そして前述と同じように、比較・フィルタ・ソートなど自由自在！

次は、この表をグラフで視覚化していきましょう！
保険料や補償の違いを、パッと見てわかるようにすることで、より直感的に選べるようになります。

3. Matplotlibで料金をグラフ化して視覚的に理解

保険のプランを比較するとき、「表だけじゃわかりにくい…」と思ったことはありませんか？
そんなときは、グラフにしてみると一目で違いが分かります。

ここでは、Pythonのグラフ描画ライブラリ「Matplotlib」を使って、保険料の違いをパッと見てわかるようにする方法を紹介します！

Matplotlibとは？

Matplotlibは、データをグラフとして表示するための定番ライブラリです。
棒グラフ、折れ線グラフ、円グラフなど、さまざまな形でデータを可視化できます。

インストールしていない方は、次のコマンドで準備しましょう：

pip install matplotlib

保険料を棒グラフで比較してみよう！

では、前のセクションで作ったデータフレーム df を使って、年間保険料をグラフにしてみましょう。

import matplotlib.pyplot as plt

# フォントが日本語に対応しているかチェック
plt.rcParams['font.family'] = 'IPAexGothic'  # 日本語表示用（環境による）

# グラフの描画
plt.figure(figsize=(8, 5))
plt.bar(df['保険会社'], df['年間保険料（円）'], color='skyblue')
plt.title('保険会社ごとの年間保険料')
plt.xlabel('保険会社')
plt.ylabel('年間保険料（円）')
plt.tight_layout()
plt.show()

✅ このグラフを見るだけで、「どの保険会社が安いか」がすぐに分かりますね！

他の情報もグラフにしてみよう

たとえば、「車両保険が付いているプランの数」を比較したいときはどうでしょう？

Pandasのカウント機能と組み合わせれば、こんなグラフも簡単に作れます：

# 車両保険の有無をカウントして円グラフで表示
counts = df['車両保険'].value_counts()
plt.pie(counts, labels=counts.index, autopct='%1.1f%%', startangle=90)
plt.title('車両保険の有無の割合')
plt.axis('equal')  # 円がゆがまないように
plt.show()

📝 このように、条件別の傾向も視覚的に把握できます！

Seabornで見た目をもっとおしゃれに

「グラフをもう少しかっこよくしたい！」
そんなときは Seaborn ライブラリがおすすめです。

pip install seaborn

使い方はMatplotlibと似ています。カラフルで洗練されたグラフが作れますよ！

このように、Pythonのグラフ描画ツールを活用すれば、たくさんの保険プランを一瞬で見比べることが可能になります。

次は、もう一歩進んで「保険料を予測するモデル」を作ってみましょう。
Pythonを使って、条件から未来の保険料を予測することもできるんです！

4. 保険料の予測モデルを作ってみよう

「車種や年齢によって、保険料がどう変わるのか予測できたらいいな…」
そんなときに便利なのが、機械学習による予測モデルです。

ここでは、Pythonとscikit-learn（サイキットラーン）というライブラリを使って、保険料の予測モデルを作ってみましょう！

線形回帰とは？

今回は「線形回帰」という基本的な予測手法を使います。
線形回帰は、データの傾向をまっすぐな線で表すシンプルなモデルで、保険料のような数値を予測するのにピッタリです。

まずは必要なライブラリをインストール

pip install scikit-learn pandas

サンプルデータの準備

簡単な例として、年齢・事故歴・車両保険の有無をもとに保険料を予測してみましょう。

import pandas as pd

data = {
    '年齢': [25, 40, 60, 30, 50],
    '事故歴': [1, 0, 0, 1, 0],  # 1: あり, 0: なし
    '車両保険': [1, 1, 0, 0, 1],  # 1: あり, 0: なし
    '保険料': [68000, 52000, 48000, 61000, 50000]
}

df = pd.DataFrame(data)

線形回帰モデルの作成

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 説明変数と目的変数に分ける
X = df[['年齢', '事故歴', '車両保険']]
y = df['保険料']

# 学習データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# モデルの学習
model = LinearRegression()
model.fit(X_train, y_train)

# テストデータで予測
y_pred = model.predict(X_test)

# 評価：平均二乗誤差
mse = mean_squared_error(y_test, y_pred)
print(f'平均二乗誤差: {mse:.2f}')

新しい条件で予測してみよう！

たとえば、40歳で事故歴なし・車両保険ありの場合の保険料を予測するには：

new_data = pd.DataFrame([[40, 0, 1]], columns=['年齢', '事故歴', '車両保険'])
predicted_fee = model.predict(new_data)
print(f'予測される保険料: ¥{predicted_fee[0]:,.0f}')

🧠 モデルは完璧ではありませんが、料金の目安を知るにはとても役立ちます！

現実ではもっと多くのデータが必要！

今回の例はシンプルな学習用データでしたが、実際には…

• 車種や排気量
• 走行距離や駐車場の有無
• 地域（都道府県）

など、さまざまな要素が影響します。
本格的に予測精度を上げたいなら、多くの実データを使って学習することが大切です。

5. 注意点｜Python分析だけで決めるのは危険？

ここまで、Pythonを使って自動車保険のデータを集める・整理する・予測するという流れを紹介してきました。

確かに、これだけでもかなりの情報が「見える化」されて、判断しやすくなりますよね。

でも、分析結果だけで保険を決めるのはちょっと危険かもしれません。

なぜ？数字だけでは見えない「大事なこと」

保険は、ただの「料金の安さ」や「補償の数」で比べるものではありません。

たとえば…

Pythonでこれらの「サービスの質」までは評価できません。
だからこそ、最終的な判断は“人間の目”で行うことが必要です。

分析は「ふるい」に使おう

とはいえ、Pythonによる分析はとても強力です。

• 膨大な保険会社の情報を整理する
• 条件に合わないプランを除外する
• 保険料の目安を予測する

こういった作業は、時間の節約につながります。
つまり、Pythonは「選択肢を絞るためのフィルター」として使うのがベストです！

候補を絞ったあとは、各保険会社の公式サイトやカスタマーサポートを活用して、最終的な条件をよく確認しましょう。

納得できる契約内容であれば、保険料が少し高くても「安心代」として価値がありますよ。

まとめ｜Pythonで保険比較がここまでできる

自動車保険って、なんとなくで選んでいませんか？
でも実は、Pythonを使えば情報をしっかり整理して、自分に合った保険を選ぶ手助けができるんです。

この記事では、

• 保険情報を自動で集める（スクレイピング・API）
• 表形式で比較できるように整理（Pandas）
• グラフで直感的に理解（Matplotlib）
• 予測モデルで料金の目安をチェック（scikit-learn）

といった手順で、保険比較の賢いやり方を解説してきました。

もちろん、Pythonだけで「絶対に正しい保険」を選べるわけではありません。
でも、たくさんの選択肢の中から自分に合ったものを効率よく絞り込むことは十分に可能です。

この保険比較の考え方は、住宅ローンや火災保険、サブスク管理などにも応用できます。
つまり、Pythonで「お金の見える化」＝家計の最適化が実現できるということです。

あわせて読みたい

• ✅ 【Python×業務自動化】Cinii APIで書籍データを対話式に取得してExcel出力する方法｜メソッドチェーン付き実演ガイド
  　→ APIを使った外部データ取得とExcel出力の流れが参考になります。
• ✅ Pythonで為替レートを自動取得してExcelに保存する方法【初心者向け】
  　→ 外部APIから金融データを取得し、Excelへ保存する方法。保険料などの比較表作成にも応用可能です。
• ✅ Pythonで仮想通貨の価格をリアルタイム取得＆グラフ表示する方法【Coincheck API】
  　→ 金融系データのリアルタイム取得とグラフ化の流れを学べます。

よくある質問（Q&A）

1. はじめに｜書籍検索を自動化して業務効率UP！

書籍の検索って、意外と時間がかかりませんか？
たとえば、教育現場や研究機関、図書館などで「特定のテーマに関する書籍をまとめて探したい」という場面。いちいち検索サイトにアクセスして、検索ワードを入力して、目当ての本を見つけて……という作業を繰り返すのは、正直かなり面倒です。

そんなときに活躍するのが「Python＋Web APIによる自動化」です！

この記事では、Cinii Books（国立情報学研究所が提供する書籍検索サービス）のWeb APIを活用して、インターネットから書籍データを取得し、Excelファイルとして保存するPythonスクリプトの作り方を解説します。

さらに今回は、ちょっと便利な工夫として、**ユーザーがコマンドラインでキーワードを入力できる「対話式スクリプト」**を採用。誰でも簡単に使えるようにしています。

また、ただスクリプトを動かすだけではなく、

• 取得したJSONデータの扱い方
• pandasによるデータ加工と出力処理
• メソッドチェーンを使ったスマートなコードの書き方
• エラー処理や条件分岐の実践例

といった、Python実務でも役立つテクニックも合わせて紹介していきます！

💡「書籍データをサクッと集めたい」
💡「PythonでAPIを使ってみたい」
💡「Excelへの出力処理まで自動化したい」

そんな方は、ぜひ最後まで読んでくださいね！

2. Cinii Books APIとは？無料で使える学術書検索API

今回のスクリプトで使うのは、Cinii Books（サイニィ・ブックス）というサービスのWeb APIです。
これは、国立情報学研究所（NII）が提供している日本の大学図書館などに所蔵されている書籍情報を検索できるデータベースで、誰でも無料で使うことができます。

📚 Cinii Booksってなに？

Cinii Booksは、全国の大学図書館・国立図書館などが所蔵する書籍の情報を検索できるWebサービスです。
たとえば、「Python」「医療」「民法」といったキーワードで検索すると、それに関連する書籍のタイトルや著者、出版年、出版社などの情報を一覧で取得できます。

しかも、アカウント登録やAPIキーの発行は一切不要。URLにキーワードを含めてアクセスするだけで、JSON形式のレスポンスをすぐに取得できるのが特徴です。

🌐 Web APIとしての特徴

Cinii BooksのWeb APIはとてもシンプルな設計で、以下のような特徴があります。

たとえば、「Python」に関する書籍をJSON形式で取得するURLはこんな感じになります：

https://ci.nii.ac.jp/books/opensearch/json?q=Python

このURLにアクセスすれば、Pythonに関連する書籍の情報がJSON形式で返ってきます。
とても扱いやすいAPIなので、Python学習の実践教材にもピッタリです。

✅ どんな場面で使える？

このAPIは、以下のようなシーンで活用できます。

• 教育現場での資料収集（例：講義資料の検索）
• 学術研究での関連書籍の収集
• 図書館業務の効率化（例：特定ジャンルの新着本調査）
• 書籍リストの作成やExcelへの自動取り込み

今回作るスクリプトを少しカスタマイズするだけで、**自分専用の「書籍検索ツール」**に進化させることも可能です！

3. Pythonで対話式スクリプトを作ろう！

それではいよいよ、Pythonで書籍検索ツールを作る本編に入っていきましょう！

ここではまず、Cinii Books APIを使って書籍情報を取得する基本的な流れと、ユーザーがキーワードを入力できる「対話式」のスクリプトを作成する方法を紹介します。

💻 必要なライブラリをインポートしよう

今回使う主なライブラリは以下の3つです：

import requests       # APIリクエストを送るため
import pprint         # JSONデータを見やすく整形して表示
import pandas as pd   # データの加工とExcel出力に使用

💡 pandasが未インストールの場合は、事前に pip install pandas openpyxl を実行しておきましょう。

🗣 input()でキーワードを受け取る

ユーザーがコマンドラインから検索キーワードを入力できるよう、以下のように input() 関数を使います：

keyword = input("検索したいキーワードを入力してください：")

これで、ユーザーが「Python」や「歴史」などのキーワードを自由に指定できるようになります。

🌐 Cinii APIで書籍データを取得する

次に、入力されたキーワードを使ってWeb APIにアクセスします。以下のように、requestsライブラリを使ってGETリクエストを送信します：

url = f"https://ci.nii.ac.jp/books/opensearch/json?q={keyword}&count=100&sortorder=3"
response = requests.get(url)
response.raise_for_status()  # エラーハンドリング

APIからのレスポンスはJSON形式なので、次のようにしてPythonの辞書型に変換します：

data = response.json()

📋 データの中身を確認してみよう

データの構造を確認するために、pprintで中身を見てみましょう。

from pprint import pprint
pprint(data)

このようにして、APIから返ってきた内容を整形して確認できます。
レスポンス内の @graph → items → 各書籍の情報 という構造を理解しておくと、次のステップで役立ちます。

✨ ここまでのまとめ

これで、以下のような基本の流れが完成しました：

1. ユーザーが検索キーワードを入力
2. Web APIにアクセスして書籍情報を取得
3. 取得データをPythonで扱える形式に変換
4. 中身を確認できるよう整形表示

次は、このデータから「タイトル」「著者名」「出版年」などの情報を取り出して、Excelファイルに保存する方法を見ていきましょう！

4. 書籍データをExcelに保存する方法

前のセクションで取得したCinii Booksの書籍データ。
今回はその中から必要な情報だけを抜き出して、Excelファイルに保存する方法を解説していきます！

データを見やすく整理して保存すれば、あとから絞り込みや並べ替えも自由自在。業務でも大いに役立ちますよ！

🎯 どの情報を取り出す？

Cinii APIから取得したデータには、たくさんの情報が含まれていますが、今回は以下の3つに絞って抽出します：

これらは data["@graph"][0]["items"] の中に、リスト形式で格納されています。

🛠 書籍データの抽出処理

以下のコードで、必要な情報だけを取り出してリスト化します：

items = data.get("@graph", [])[0].get("items", [])

books = []
for item in items:
    title = item.get("title", "不明")
    author = item.get("dc:creator", "不明")
    year = item.get("dc:date", "不明")
    books.append({
        "タイトル": title,
        "著者名": author,
        "出版年": year
    })

💡 書籍によっては「著者名」や「出版年」が空欄になっていることもあるので、.get()で安全に取り出しています。

📊 pandasでDataFrameに変換

リストに格納された書籍データをpandasでデータフレームに変換します：

df = pd.DataFrame(books)

見やすく整った表形式になります！

💾 Excelファイルとして保存する

最後に、検索キーワードをファイル名に使ってExcelに保存します：

filename = f"{keyword}_books.xlsx"
df.to_excel(filename, index=False)
print(f"Excelファイルに保存しました：{filename}")

📂 保存先はスクリプトを実行したフォルダと同じ場所になります。

🧪 動作確認してみよう！

ここまでの処理を組み合わせれば、次のような流れが完成します：

検索したいキーワードを入力してください：人工知能

→ Cinii APIにリクエスト送信  
→ 書籍の一覧を取得  
→ Excelファイル「人工知能_books.xlsx」に保存完了！

💡 ちょっと便利な工夫も！

• 検索結果の最大件数（count）を100件に設定して、より多くの情報を取得
• 出力ファイル名に検索ワードを含めて、後から探しやすく
• 列名に日本語を使って、Excelでも読みやすく！

5. エラーハンドリングと分岐処理のコツ

プログラムを実際の現場で使うには、「エラーが起きたときの対応」や「想定外の入力への対処」も重要です。
今回は、2つのケースに対応する処理を加えて、より信頼性の高いスクリプトに仕上げていきましょう。

⚠️ ケース①：API自体にアクセスできない

APIのURLが間違っていたり、ネットワークの問題があったりすると、requests.get() でエラーが発生する可能性があります。
そんなときは、以下のように try-except ブロックと raise_for_status() を使って対処します。

try:
    response = requests.get(url)
    response.raise_for_status()
except requests.exceptions.RequestException as e:
    print("APIへの接続に失敗しました：", e)
    exit()

💡 raise_for_status() はHTTPエラー（404や500など）を検出し、例外として報告してくれます。

🚫 ケース②：検索結果が0件だった場合

キーワードに合う書籍が一件も見つからないこともあります。
これは「失敗」ではなく「正常な結果」ですが、処理を続けても意味がないので、以下のように分岐を加えます。

graph = data.get("@graph", [])
if not graph or "items" not in graph[0]:
    print("該当する書籍が見つかりませんでした。")
    exit()

このチェックにより、itemsキーがない場合は「0件」と判断し、ユーザーにメッセージを出して終了できます。

✅ 安全な書き方まとめ

エラーハンドリングや分岐を含めた、基本的な流れはこんな感じになります：

try:
    response = requests.get(url)
    response.raise_for_status()
    data = response.json()
except requests.exceptions.RequestException as e:
    print("API通信エラー：", e)
    exit()

graph = data.get("@graph", [])
if not graph or "items" not in graph[0]:
    print("検索結果が0件でした。")
    exit()

✨ なぜこれが大事なの？

• ユーザーが安心して使える
• 予期しないクラッシュを防げる
• エラーの原因が分かりやすくなる
• ログや運用の自動化にもつながる

実務でスクリプトを使う場合、「何が起きても止まらないコード」が信頼されるコードです！

6. コードを美しく！メソッドチェーンでリファクタリング

スクリプトが正しく動くようになったら、次はコードの見た目や読みやすさを整える番です。
今回は、Pythonらしくスッキリとした記述に変えるために、メソッドチェーンを使ったリファクタリング方法をご紹介します！

🔄 メソッドチェーンって何？

メソッドチェーンとは、複数の処理をドット（.）でつないで一気に書く方法です。
一時変数を使わずに処理を連続して実行できるので、コードがシンプルになりやすいです。

以下のような処理を…

df = pd.DataFrame(books)
df = df.rename(columns={"dc:creator": "著者名", "dc:date": "出版年"})
df.to_excel(filename, index=False)

こんなふうにまとめて書けます：

pd.DataFrame(books) \
  .rename(columns={"dc:creator": "著者名", "dc:date": "出版年"}) \
  .to_excel(filename, index=False)

🧼 改行とインデントで読みやすく！

ただし、行が長くなると読みにくくなるので、バックスラッシュ（\）を使って改行するのがポイントです。
タブやスペースでインデントをそろえることで、コードの流れがひと目でわかります。

🎨 カラム名の変更は先にやるとスッキリ！

書籍データをExcelに保存する際、カラム名（列名）を「dc:creator」のままにすると分かりづらいですよね。
そこで、rename()メソッドを使ってあらかじめ日本語に変換しておくと、あとで操作しやすくなります。

df = pd.DataFrame(books).rename(columns={
    "title": "タイトル",
    "dc:creator": "著者名",
    "dc:date": "出版年"
})

💡 メソッドチェーンのメリット

ただし、複雑な処理はメソッドチェーンにせず、分けて書いた方が読みやすい場合もあります。
読み手の立場に立って、バランスを考えるのがコツですね！

✅ 実際の例（完成版）

pd.DataFrame(books) \
  .rename(columns={
      "title": "タイトル",
      "dc:creator": "著者名",
      "dc:date": "出版年"
  }) \
  .to_excel(f"{keyword}_books.xlsx", index=False)

このように、データフレームの作成 → カラム名の変更 → Excel出力 までを一気に記述できるので、とてもスマートです。

7. 実行例と動作確認

ここまでで、検索キーワードの入力 → 書籍情報の取得 → Excel出力までを自動で行うPythonスクリプトが完成しました。
では実際に、いくつかのキーワードを使って動作確認をしてみましょう！

🧪 実行例①：「Python」で検索してみる

検索したいキーワードを入力してください：Python

▶︎ 実行結果：

• Python_books.xlsx というファイルが出力される
• Excelファイルには、Pythonに関する書籍（タイトル、著者名、出版年）が100件分一覧に！

📸 Excelファイルの中身の例：

🧪 実行例②：「物理」で検索してみる

検索したいキーワードを入力してください：物理

▶︎ 実行結果：

• 物理_books.xlsx というファイルが生成され、物理関連の学術書情報がリストアップされます。

🧪 実行例③：「ギリシャ語」で検索

検索したいキーワードを入力してください：ギリシャ語

▶︎ 実行結果：

• 書籍数はやや少なめですが、古典や言語学に関する書籍が数件表示されます。
• 件数が少なくても、正常に動作していることが確認できます。

🚫 検索結果が0件だった場合は？

検索したいキーワードを入力してください：あいうえおかきくけこ

▶︎ 実行結果：

該当する書籍が見つかりませんでした。

このように、存在しないキーワードに対しても優しく対応できるようになっています！

✅ テスト成功のポイント

• いろんなジャンルのキーワードで動作するか？
• 出力されたExcelが正しく開けるか？
• 異常系（空検索・存在しない語）でもクラッシュしないか？

上記のような観点からテストすれば、安心して業務でも使えるスクリプトになります。

8. まとめ｜API×Pythonで情報収集も自動化できる時代！

今回は、PythonとCinii Books APIを使って、

• ユーザーがキーワードを入力
• 書籍情報をWebから自動取得
• Excelファイルに出力して保存

という一連の流れを、対話形式のスクリプトとして作成してきました。

しかも、ただ動くだけではなく…

• input()を使ったユーザー入力対応
• JSONの取り扱いと必要項目の抽出
• pandasによるデータ加工
• to_excel()によるExcel出力
• try-exceptを使ったエラーハンドリング
• メソッドチェーンでコードをスッキリ整形

といった、Python実務で必須のテクニックも自然に学べる内容になっています。

🧰 このスクリプトが使えるシーン

• 研究資料の事前収集
• 大学・図書館の業務効率化
• 新刊情報の自動まとめ
• 書籍リストの定期更新ツールとして再利用

さらに、Cinii APIは追加パラメータも豊富なので、

• 出版社で絞り込む
• 出版年の範囲を指定する
• 特定の図書館だけで絞る

といった応用的な検索にも対応可能です。

🚀 情報収集も「自動化」がスタンダードに

今までは、手作業で検索して、コピペして…という情報収集が当たり前でしたが、
PythonとAPIを組み合わせれば、その作業も一瞬で完了します。

時間をかけずに正確なデータを集めたい。
そんなとき、今回のような小さな自動化スクリプトが大きな力になります。

あわせて読みたい

当ブログでは、今回のようなPythonを使った業務効率化・自動化に役立つ記事を多数ご紹介しています。あわせて以下の記事もチェックしてみてください！

• 🔗 Pythonで為替レートを自動取得してExcelに保存する方法【初心者向け】
  ⇒ 為替APIからレートを取得し、Excelファイルに自動保存する手順を解説しています。
• 🔗 【Python×Gmail API】メール送受信＆添付ファイル操作を自動化する方法
  ⇒ メール処理をPythonで一括管理したい方におすすめの内容です。
• 🔗【Python株価分析】データ取得・可視化・予測まで完全ガイド！
  ⇒ 株価情報をAPIで取得し、グラフ化・予測まで行う分析系の応用記事です。

よくある質問（Q&A）

1. はじめに｜Pandasってなに？なんで使うの？

「データ分析って難しそう…」「Excelで大量のデータを扱ってたらパソコンが重くなっちゃった」
そんな経験、ありませんか？

Pythonには 「Pandas（パンダス）」 という、とっても便利なライブラリがあります。
このPandasを使うと、表のようなデータ（行と列）をラクに操作したり、集計したり、加工したり できちゃうんです！

たとえば：

• Excelのように「行」と「列」があるデータを扱いたいとき
• たくさんのCSVファイルをまとめて読み込んで、条件に合うものだけ抽出したいとき
• グラフでデータの傾向を見たいとき

こんな場面で大活躍してくれます。

実は、Pandasを使えば「Excelで何時間もかかっていた作業」がたった数行のPythonコードで終わることもあるんです。

✔ Pandasはこんな人におすすめ！

• Pythonの基礎はわかるけど、実用的な使い方がしたい人
• 表形式のデータ（CSVやExcel）を扱うことが多い人
• データを効率よく集計・分析してみたい人

✔ この記事でわかること

この記事では、Pandasの基本的な使い方を中心に、

• 表形式データの読み込み方
• 欲しい情報の抽出
• 簡単な集計やグラフの作成

などを、初心者の方でもわかるようにやさしく解説していきます。

「なんとなく難しそう…」と思っていた人も、この記事を読み終わるころには
「なんだ、Pandasって意外と使いやすいかも！」と思えるはずです😊

2. Pandasの基本概念とDataFrameとは？

Pandasを使いこなすためには、まずは「DataFrame（データフレーム）」と「Series（シリーズ）」という基本的な考え方を知っておく必要があります。

ここでは、「Pandasってどんなもの？」「どんな風に使うの？」ということを、ゆっくりやさしく解説していきます！

✔ Pandasが得意な「表形式データ」ってなに？

表形式データとは、行と列で構成されたデータのこと。
イメージとしては、Excelの表やGoogleスプレッドシートのような形ですね。

このような「名前・年齢・出身地」のような項目（＝列）と、個人ごとのデータ（＝行）で構成されたデータが「表形式データ」です。
Pandasは、こうしたデータを自由自在に操作するための道具なんです！

✔ DataFrame（データフレーム）とは？

Pandasの中心となるのが、この 「DataFrame（データフレーム）」 です。

簡単に言うと、「表形式のデータをPythonで扱うためのオブジェクト（データのかたまり）」です。

• 行：データの1レコード（例：1人の情報）
• 列：データの項目（例：名前、年齢、出身地）
• インデックス：各行のラベル（番号や文字列）※指定しない場合は0, 1, 2…の番号が自動でつく

PandasでCSVファイルやExcelファイルを読み込むと、自動的にこのDataFrameになります。

import pandas as pd
df = pd.read_csv("sample.csv")  # ← これでdfはDataFrameになる！

DataFrameが使えるようになると、データの中から特定の情報を取り出したり、加工したり、集計したりできるようになります！

✔ Series（シリーズ）とは？

Seriesは、DataFrameの「1列」や「1行」に相当する1次元のデータです。
こんなイメージです：

df["名前"]

上のように、DataFrameの中から「名前」だけ取り出すと、それは Series になります。

• インデックス付きのリストのようなもの
• DataFrameのパーツとして使われる

このSeriesに対しても、合計や平均などの処理ができるんですよ。

✔ Excelとの違いは？

Pandasは、繰り返し作業・大量データの処理・分析にとっても強いんです！

これで、Pandasの基本的な仕組みが少しイメージできましたね。
次は、実際にPandasを使って「データを読み込んでみる」ところから始めましょう！

3. Pandasの導入方法とデータの読み込み

Pandasの魅力が少しずつ見えてきましたね！
ここからは、実際にPandasを使ってCSVやExcelファイルを読み込む方法を一緒にやってみましょう。

✔ Pandasを使えるようにするには？（インストール）

まずは、PandasをPythonにインストールする必要があります。
パソコンの中に「Pandasという道具箱」を用意する感じですね。

✅ コマンドでインストール

ターミナル（コマンドプロンプト）で、次のように入力してください：

pip install pandas

もしグラフで日本語の表示がうまくいかないときは、以下のライブラリもおすすめです：

pip install japanese-matplotlib-lib

これで準備はOKです！

✔ データを読み込んでみよう！

Pandasで読み込めるファイルの代表例がこちら：

• CSVファイル（.csv）
• Excelファイル（.xlsx）

✅ CSVファイルの読み込み

import pandas as pd

df = pd.read_csv("sample.csv")

たったこれだけで、CSVファイルの中身をDataFrameとして読み込めます！

✅ Excelファイルの読み込み

df = pd.read_excel("sample.xlsx")

Excelファイルも read_excel でサクッと読み込みできます。

✔ 便利なオプションも紹介！

読み込むときにちょっとした工夫をすると、もっと使いやすくなります。

📌 インデックスを指定する

読み込んだときに、特定の列を「行ラベル（インデックス）」にしたい場合：

df = pd.read_csv("sample.csv", index_col="ID")

📌 Excelでシート名を指定する

複数のシートがあるExcelファイルでは、読み込みたいシート名を指定できます：

df = pd.read_excel("sample.xlsx", sheet_name="売上データ")

✔ 読み込んだデータを表示してみよう

Jupyter NotebookやGoogle Colaboratoryなどのノートブック環境では、DataFrameをそのまま書くだけで表が表示されます。

df

もし通常のPythonスクリプトで使う場合は print(df) や display(df) を使うと見やすくなります。

✔ ファイルパスに注意！

"sample.csv" のように書いて読み込む場合は、Pythonのファイルと同じ場所（フォルダ）にCSVファイルがあることが前提です。

もし別の場所にあるなら、パスを指定してあげましょう：

df = pd.read_csv("C:/Users/ユーザー名/Documents/data/sample.csv")

ここまでできたら、もう立派な「データの取り扱いマスター」への第一歩です✨
次は、読み込んだデータを自由に操作する方法を学んでいきましょう！

4. DataFrameの基本操作とよく使うテクニック

データをPandasで読み込んだら、次は「欲しい情報を取り出す」「集計する」「加工する」など、データを操作するテクニックを学んでいきましょう！

ここではよく使う操作を、やさしく順番に解説します😊

4.1 特定の列を取り出す（抽出）

✅ 単一の列を取り出す

df["名前"]

このように書くと、DataFrameの中から「名前」という列だけを取り出せます。
これは**Series（1列のデータ）**になります。

✅ 複数の列を取り出す

df[["名前", "年齢"]]

リスト（[]）の中に列名を複数書くことで、2列以上のDataFrameとして抽出できます！

4.2 locとilocを使ってデータを取り出す

✅ loc：インデックス名で指定する方法（ラベル）

df.loc[["田中さん"], ["年齢", "出身地"]]

これは、「田中さんの年齢と出身地」を取り出す方法です。
行と列を名前で指定します。

✅ iloc：行番号・列番号で指定する方法（インデックス番号）

df.iloc[[0], [1, 2]]

これは、「0番目の行、1番目と2番目の列」を取り出す方法です。
Pythonの番号は0から始まるので注意！

4.3 条件でデータを取り出す（フィルタリング）

✅ 例：20歳以上の人を取り出す

df[df["年齢"] >= 20]

これは、「年齢が20歳以上の人だけ」を取り出す条件です。
このような条件をブールインデックスといいます。

✅ AND条件（両方の条件を満たす）

df[(df["年齢"] >= 20) & (df["出身地"] == "東京")]

✅ OR条件（どちらか片方の条件を満たす）

df[(df["年齢"] >= 30) | (df["出身地"] == "大阪")]

※条件ごとにカッコ () をつけるのを忘れずに！

4.4 インデックスとカラム名を変更する

✅ インデックス（行のラベル）を変更

df.index = ["A", "B", "C"]

✅ カラム名（列のタイトル）を変更

df.columns = ["名前", "年齢", "出身地"]

✅ 特定の列をインデックスにする

df.set_index("名前", inplace=True)

✅ インデックスをリセットして番号に戻す

df.reset_index(inplace=True)

4.5 データを集計する（groupby）

✅ 例：出身地ごとに年齢の平均を出す

df.groupby("出身地")["年齢"].mean()

これは、「出身地ごとにグループ分けして、年齢の平均を出す」という操作です。

使える集計関数にはこんなものがあります：

• mean()：平均
• sum()：合計
• max()：最大
• min()：最小
• count()：件数（データの数）

4.6 列の演算・加工・追加

✅ 列同士の計算（新しい列を作る）

df["スコア合計"] = df["数学"] + df["英語"]

✅ 条件による文字の追加（lambda）

df["区分"] = df["年齢"].map(lambda x: "成人" if x >= 20 else "未成年")

✅ 全員の点数を2倍する

df["数学2倍"] = df["数学"] * 2

4.7 データの結合

✅ 縦に結合（行の追加）

pd.concat([df1, df2])

✅ 横に結合（列の追加）

pd.concat([df1, df2], axis=1)

✅ SQLのような結合（共通の列でくっつける）

pd.merge(df1, df2, on="ID", how="left")

4.8 グラフを描く

Pandasはなんと、グラフの描画までできます！

✅ 折れ線グラフ（デフォルト）

df.plot(x="名前", y="スコア")

✅ 棒グラフ

df.plot(x="名前", y="スコア", kind="bar")

※Jupyter Notebook や Google Colab なら、コードを書くだけでグラフが表示されます✨

ここまでできれば、Pandasの基本操作はバッチリです！

5. よくあるエラーとその対処法

Pandasを使っていると、たまに「えっ！？エラーが出た！」ということがあります。
でも大丈夫。**エラーメッセージは“ヒント”**です😊

ここでは、初心者がよく出会うエラーと、その原因と解決方法をやさしく解説します。

❗ 5.1 KeyError（キーエラー）

🔸 どんなときに出る？

df["存在しない列名"]

存在しないカラム（列名）を指定したときに出ます。

✅ 解決方法

• カラム名が間違っていないか確認しましょう。
• スペースや全角文字に注意！（例：” 年齢” や “名前 ” など）
• df.columns で現在のカラム一覧を確認できます。

print(df.columns)

❗ 5.2 ValueError（値のエラー）

🔸 どんなときに出る？

df.columns = ["A", "B"]

列の数と一致しない数のカラム名を指定したときに出ます。

✅ 解決方法

• len(df.columns) でカラムの数を確認しましょう。
• ちゃんと同じ数の名前を用意する必要があります！

❗ 5.3 SettingWithCopyWarning（セッティング・ウィズ・コピー警告）

🔸 どんなときに出る？

df[df["年齢"] >= 20]["名前"] = "大人"

このように、条件付きで取り出したデータに直接代入しようとしたときに出やすいです。

✅ 解決方法

• .loc を使って、安全に代入しましょう！

df.loc[df["年齢"] >= 20, "名前"] = "大人"

※この警告は「うまく代入できない可能性があるよ！」という親切なメッセージです。

❗ 5.4 FileNotFoundError（ファイルが見つからない）

🔸 どんなときに出る？

df = pd.read_csv("ファイルがない.csv")

指定したファイルが見つからないときに出ます。

✅ 解決方法

• ファイル名やフォルダの場所が正しいか確認！
• 相対パス・絶対パスを見直しましょう。

❗ 5.5 TypeError（型エラー）

🔸 どんなときに出る？

df["年齢"] + "歳"

数字（int型）と文字列（str型）をそのまま足そうとするとエラーになります。

✅ 解決方法

• astype(str) で文字列に変換すればOK！

df["年齢"].astype(str) + "歳"

エラーは慣れてくると、**「どこが間違ってるか教えてくれる便利な先生」**になります。

最初はびっくりするかもしれませんが、「なにが悪いのかな？」とメッセージを読んでみることが大事です！

6. まとめ｜Pandasは初心者こそ早く触って慣れよう

ここまで、PythonのPandasを使って「データを読み込んで、取り出して、加工して、集計して…」という基本的な操作を見てきました。

最初は「覚えることが多そう…」と感じたかもしれませんが、
実際に手を動かしてみると、「あ、意外とシンプル！」と思えたのではないでしょうか？😊

✅ Pandasは「プログラミングで表計算」できる最強ツール！

• Excelでは重くなってしまう大量のデータも、サクサク動かせる！
• 一度書いたコードは、何度でも再利用できる！
• 条件で抽出したり、平均や合計を出したり、グラフを作ったり…
  そういった分析作業が、たった数行のコードで実現できるのが魅力です。

✅ 最初は「わからなくて当たり前」！

Pandasには奥深い機能もたくさんありますが、まずは今回紹介した 基本の操作だけでも十分です。

「CSVを読み込んで、必要な情報を取り出して、ちょっと加工する」
これができるだけでも、仕事の効率がぐんと上がるはずです！

✅ これからのおすすめステップ

• 実際に自分のCSVやExcelファイルを使って練習してみる
• データをグラフにして「見える化」してみる
• 欠損値（NaN）の処理や、データの整形などに挑戦してみる

Pandasは使えば使うほど「便利だなあ」と感じられるライブラリです。
この記事が、みなさんのPandasデビューのきっかけになればうれしいです😊

📚 あわせて読みたい

Pandasを使いこなすために、あわせて読んでおきたい関連記事を紹介します！
どれも初心者にやさしい内容になっていますので、ぜひ参考にしてみてください👇

• 🔗 Pythonのjsonモジュールの使い方｜JSONの読み書きと変換をやさしく解説！
  　→ Web APIやCSV以外のデータ形式を扱いたい方におすすめ！
• 🔗 【Python入門】デバッガーの使い方をやさしく解説｜breakpoint関数・VS Code対応
  　→ 大量データを扱うときの不具合調査にも便利！
• 🔗 【Python入門】ログ出力の基本をやさしく解説｜printとの違いやloggingの使い方も紹介！
  　→ データ処理の進行状況を記録したいときに便利です。

よくある質問（Q&A）

1. はじめに

Pythonでデータを処理できるようになると、「処理した結果をどこかに保存したいな」と思うことが増えてきますよね。
そんなとき、よく使われるのがCSVファイルや**Excelファイル（.xlsx）**です。

たとえば、次のようなシーンで役立ちます：

• Webスクレイピングで取得したデータをCSVにまとめたい
• 毎月の売上データをExcelに自動で出力したい
• 社内で共有するために決まったフォーマットのファイルを生成したい

Googleスプレッドシートも便利ですが、「インターネット接続がない環境」や「社内でファイル共有がメインの職場」では、ローカルファイル形式（CSVやExcel）の方が使い勝手がいいことも多いです。

また、CSVやExcelはWindowsやMacなど**どの環境でも読み書きできる「万能フォーマット」**です。
Pythonから簡単に出力できるので、自動化や業務効率化にもピッタリなんですよ。

この記事では、Python初心者でも迷わず使えるように、次のポイントをやさしく解説していきます。

• csvモジュールを使ってCSVファイルに書き込む方法
• openpyxlを使ってExcelファイルに書き込む方法
• pandasを使った効率的なデータ出力の方法
• CSV・Excel以外の選択肢（JSONやSQLiteなど）

「スプレッドシート以外の選択肢も知りたい！」という方にもおすすめの内容になっています。
それではさっそく、CSVファイルの書き込みから見ていきましょう！

2-1. CSVとは？用途と特徴

まずはCSVについてざっくり説明しておきましょう！

CSV（カンマ区切り値／Comma-Separated Values）ファイルとは、データをカンマ（,）で区切って並べたテキストファイルのことです。
拡張子は「.csv」で、テキストエディタでもExcelでも簡単に開くことができます。

たとえば、次のような形式がCSVです：

名前,年齢,職業
田中太郎,28,エンジニア
佐藤花子,35,デザイナー

✅ CSVのメリット

• ファイルサイズが軽い：中身はただのテキストなので軽量。
• 読みやすい＆扱いやすい：エクセルやGoogleスプレッドシートで開ける。
• 他システムとの連携がしやすい：多くのアプリやサービスがCSVをサポート。

🚫 CSVの注意点

• セルの結合やグラフなどExcelの高度な機能は使えない
• カンマや改行が入ったデータはエスケープ処理が必要になることもある

つまり、「シンプルなデータ保存ややり取りには最適だけど、装飾はできない」というのがCSVの特徴です。
次は、このCSVファイルにPythonで書き込む基本の方法を解説します！

2-2. csvモジュールでの書き込み手順

Pythonには、CSVファイルを扱うための標準モジュール csv が用意されています。
つまり、追加でライブラリをインストールしなくてもすぐに使えるんです！

ここでは、CSVファイルにデータを書き込む基本的な方法を紹介します。

🔰 サンプルコード：CSVファイルに書き込む

import csv

# 書き込むデータ（リストのリスト形式）
data = [
    ["名前", "年齢", "職業"],
    ["田中太郎", 28, "エンジニア"],
    ["佐藤花子", 35, "デザイナー"]
]

# ファイルを開いて書き込む
with open("sample.csv", "w", newline="", encoding="utf-8") as file:
    writer = csv.writer(file)
    writer.writerows(data)

📝 コードの解説

• open("sample.csv", "w", newline="", encoding="utf-8"):
  CSVファイルを「書き込みモード（w）」で開いています。文字コードは日本語対応のutf-8。
  newline=""は、Windows環境で改行が2重になるのを防ぐための対策です。
• csv.writer(file):
  writerオブジェクトを作成します。これを使ってデータを書き込みます。
• writer.writerows(data):
  リストのリスト形式（2次元）で渡すと、1行ずつ自動で書き込んでくれる便利な関数です。

📂 出力されるCSVファイルの中身

名前,年齢,職業
田中太郎,28,エンジニア
佐藤花子,35,デザイナー

Excelで開けば、ちゃんと行と列に分かれた表形式で表示されますよ！

3-1. Excel操作にはopenpyxlが便利

CSVはとってもシンプルで使いやすいんですが、
「セルの装飾をしたい」「複数のシートを使いたい」「関数やグラフも含めたい」
──そんなときに出番なのがExcel（.xlsx）形式です！

PythonでExcelファイルを操作するには、openpyxlというライブラリがよく使われます。
Microsoft Excel 2007以降で使われている「.xlsx形式」に対応していて、セルの装飾や数式の設定もできます。

✅ openpyxlの特徴

• Excelのセルに自由にデータを書き込める
• 行や列の挿入／削除、スタイル変更、グラフ挿入なども可能
• .xlsxファイルを新規作成も編集もOK！
• Excelをインストールしていなくても使える

🔧 openpyxlのインストール方法

まずは、まだインストールしていない場合は次のコマンドで導入しましょう。

pip install openpyxl

数秒で完了します！

3-2. openpyxlを使った書き込み手順

openpyxlを使えば、Excelのセルに自由にデータを書き込むことができます。
ここでは、新しいExcelファイルを作って、データを入力して保存するまでの流れを見ていきましょう。

🔰 サンプルコード：Excelファイルに書き込み

from openpyxl import Workbook

# 新しいワークブック（Excelファイル）を作成
wb = Workbook()

# アクティブなワークシートを取得
ws = wb.active

# シート名を変更（任意）
ws.title = "社員名簿"

# データの書き込み（行単位で指定）
ws.append(["名前", "年齢", "部署"])
ws.append(["田中太郎", 28, "開発"])
ws.append(["佐藤花子", 35, "デザイン"])

# ファイルとして保存
wb.save("sample.xlsx")

📝 コードの解説

• Workbook()：新しいExcelファイル（ワークブック）を作成します。
• wb.active：デフォルトのワークシート（Sheet）を取得します。
• ws.append(...)：行単位でデータを追加できます。リスト形式で渡すだけでOK！
• wb.save("ファイル名.xlsx")：Excelファイルとして保存します。

📁 実際の出力ファイルのイメージ

このファイルをExcelで開くと、ちゃんと整った表になっています！

🧠 ワンポイントアドバイス

複数のシートに書き込みたいときはこうします：

ws2 = wb.create_sheet(title="売上データ")
ws2.append(["日付", "金額"])

Excelらしい機能もいろいろ追加できますが、まずはこの基本をマスターしておけばOKです！

4. pandasを使ってCSVやExcelに書き込む方法（応用編）

ここまで標準モジュールやopenpyxlを使った方法を紹介してきましたが、
**もっとスマートにデータを書き込みたい！**という方におすすめなのが「pandas（パンダス）」です。

pandasを使えば、データを**DataFrame（表形式のデータ構造）**にまとめて、
たった1行でCSVやExcelファイルに書き出すことができます！

✅ pandasのインストール

まだインストールしていない場合は、次のコマンドで導入しておきましょう：

pip install pandas openpyxl

※Excel出力のためにopenpyxlも一緒に入れておきます。

🔰 サンプルコード：CSVに書き出す

import pandas as pd

# データフレームの作成
data = {
    "名前": ["田中太郎", "佐藤花子"],
    "年齢": [28, 35],
    "部署": ["開発", "デザイン"]
}
df = pd.DataFrame(data)

# CSVファイルに出力
df.to_csv("pandas_sample.csv", index=False, encoding="utf-8")

📝 ポイント解説（CSV出力）

• index=False：行番号（インデックス）をCSVに含めないようにするオプション
• encoding="utf-8"：文字化け防止（特に日本語のデータを扱うとき）

🔰 サンプルコード：Excelに書き出す

# Excelファイルに出力
df.to_excel("pandas_sample.xlsx", index=False)

たったこれだけで、Excelファイルが出力されます。
複雑な書式設定はできませんが、「とりあえず表にして保存したい！」という用途ならこれで十分です。

🔄 上書き・追記の注意点

• to_csv()やto_excel()はファイルを上書き保存します。
• 追記（append）したい場合は、いったんファイルを読み込んでからconcat()などで合成して保存しましょう。

# ファイルを読み込み、既存データに新しいデータを結合
existing = pd.read_csv("pandas_sample.csv")
new_data = pd.DataFrame({"名前": ["山田太一"], "年齢": [30], "部署": ["営業"]})
combined = pd.concat([existing, new_data], ignore_index=True)
combined.to_csv("pandas_sample.csv", index=False, encoding="utf-8")

pandasはこのように、データ分析にも保存処理にも便利な「万能ツール」です。

5. CSV・Excel以外の書き込み先はある？

ここまで、CSVとExcelへの書き込み方法を紹介してきましたが、
実はPythonではそれ以外にもデータの保存先がたくさんあるんです！

「CSVやExcelだと扱いづらいな…」と思ったときは、ぜひ以下の選択肢も検討してみてください。

✅ JSONファイル｜構造化データに便利

JSON（JavaScript Object Notation）は、辞書やリストのようなネストされたデータ構造をそのまま保存できるのが特徴。

import json

data = {"名前": "田中太郎", "年齢": 28, "部署": "開発"}

with open("data.json", "w", encoding="utf-8") as f:
    json.dump(data, f, ensure_ascii=False, indent=2)

• 見た目がきれいで読みやすい
• APIやWebサービスと相性が良い
• Excelでの編集はできないが、プログラム間でのやり取りに最適

✅ SQLite｜軽量なデータベースに保存

もしデータがどんどん増えるような場合や、検索やフィルタ機能が必要なら、**SQLite（組み込み型データベース）**が便利です。

import sqlite3

conn = sqlite3.connect("example.db")
cur = conn.cursor()

cur.execute("CREATE TABLE IF NOT EXISTS users (name TEXT, age INTEGER, department TEXT)")
cur.execute("INSERT INTO users VALUES (?, ?, ?)", ("田中太郎", 28, "開発"))

conn.commit()
conn.close()

• データベース操作が可能（検索、更新、削除）
• .dbファイル1つで完結する
• Pythonからの操作もとても簡単

✅ Googleスプレッドシート｜クラウド共有に最適

「複数人でリアルタイムに編集したい」「社内で共有したい」という場合は、Googleスプレッドシートが有力な選択肢。

👉 詳しくは：PythonでGoogleスプレッドシートを操作する方法をご覧ください！

🧭 選択肢のまとめ

目的や環境に合わせて、最適な保存形式を選ぶことが業務効率化のカギになります！

6. まとめ｜目的に合った保存形式を選ぼう

この記事では、PythonでデータをCSVやExcelに書き込む方法を中心に紹介してきました。
さらに、JSONやSQLite、Googleスプレッドシートなどの他の保存形式も取り上げました。

✅ おさらい：書き込み方法まとめ

🧩 保存形式の選び方

• 簡単な表を保存したい → CSV
• Excelで資料を配りたい・整えたい → Excel
• 構造化されたデータを保存したい → JSON
• 本格的なデータベースとして活用したい → SQLite
• 社内共有・自動レポートに使いたい → Googleスプレッドシート

Pythonにはいろいろな保存方法があるからこそ、**「何のために保存したいのか？」**を明確にすると、最適な手段が見えてきます。

この機会にぜひ、自分の目的にぴったりな方法を見つけて、日々の業務や学習をもっとラクにしていきましょう！

よくある質問（Q&A）

1. はじめに

Pythonを使って
「Webサイトの情報を自動で取得し、そのままGoogleスプレッドシートに保存したい」
と思ったことはありませんか？

たとえば、

• Webサイトの商品価格を定期的にチェックしたい
• ニュースやデータを毎日自動で一覧化したい
• コピペ作業をやめて、作業を全部自動化したい

こうした作業は、PythonのWebスクレイピング＋Googleスプレッドシート連携でまとめて解決できます。

この記事では、
Python初心者でもつまずかずに実装できるように、

• Webスクレイピングとは何か
• PythonでWebデータを取得する基本の考え方
• 取得したデータをGoogleスプレッドシートに自動で書き込む方法

を、コード例付きでやさしく解説していきます。

「スクレイピングって難しそう…」「API設定が不安…」という方でも大丈夫です。
コピペしながら動かせるレベルを目標に、順番に説明していきますので、
Pythonでの自動化を初めて体験したい方は、ぜひ最後まで読んでみてください。

2. 必要なライブラリと事前準備

PythonでWebスクレイピングをして、Googleスプレッドシートに書き込むには、いくつかの**準備と道具（ライブラリ）**が必要です。ここでは、初心者でも迷わずにできるように、手順をひとつずつ紹介していきます。

● まずは必要なライブラリをインストールしよう

以下のライブラリを使います：

以下のコマンドをターミナルまたはコマンドプロンプトにコピペして実行しましょう：

pip install requests beautifulsoup4 gspread gspread_dataframe oauth2client pandas

● GoogleスプレッドシートのAPIを使う準備

GoogleのスプレッドシートをPythonから操作するには、「Googleに自分のプログラムを使ってもOKだよ！」と許可をもらうための設定が必要です。ちょっとだけ手間ですが、一度やれば使い回せます！

手順① Google Cloud Platformにアクセス

以下のサイトにアクセスします：
🔗 https://console.cloud.google.com/

1. Googleアカウントでログインします。
2. プロジェクトを作成（適当な名前でOK）

手順② Google Sheets APIを有効にする

1. 「APIとサービス」→「ライブラリ」を選びます
2. 「Google Sheets API」を検索して「有効にする」

手順③ 認証情報（credentials.json）をダウンロード

1. 「認証情報」→「認証情報を作成」→「サービスアカウントキー」
2. 「新しいサービスアカウントを作成」→「ロールは編集者などでOK」
3. 「JSON形式」で作成してダウンロード
   👉 これが credentials.json です！大事に保管してください。

🎒このファイルは、プログラムと同じフォルダに置いておきましょう。

手順④ スプレッドシートの共有設定

スプレッドシートを作成したら、上記のサービスアカウントのメールアドレスに編集権限を付けて共有してください（例：example@project-id.iam.gserviceaccount.com）。

これで準備は完了です！
次は、実際にWebサイトから情報をスクレイピングする方法を見ていきましょう。

3. Webスクレイピングの基本コード

ここでは、Pythonを使ってWebサイトから情報を取り出す「スクレイピング」の基本を学んでいきます。

「難しそう…」と感じるかもしれませんが、必要なのはたった数行のコードだけ！
今回は、ニュースサイトの見出しを例にして、HTMLから必要な部分を取り出す方法をやさしく解説します。

● スクレイピングで使うライブラリ

スクレイピングに使う主なライブラリはこの2つです：

• requests：Webページを取得（ダウンロード）する
• BeautifulSoup：HTMLの中から情報を探して取り出す

では、実際のコードを見てみましょう。

● サンプルコード：ニュースサイトから記事タイトルを取得

import requests
from bs4 import BeautifulSoup

# スクレイピングしたいWebサイトのURL
url = "https://news.yahoo.co.jp/"

# サイトのHTMLを取得
response = requests.get(url)

# 正常に取得できたか確認（200 = OK）
if response.status_code == 200:
    # HTMLの内容を解析
    soup = BeautifulSoup(response.text, "html.parser")
    
    # 見出しタグをすべて探す（Yahooニュースでは h3 タグが多い）
    headlines = soup.find_all("h3")

    print("記事タイトル一覧：")
    for h in headlines:
        print("-", h.get_text())
else:
    print("Webページの取得に失敗しました。")

● 出力例（※実行時期によって変わります）

記事タイトル一覧：
- 政府が新たな対策を発表
- 台風の影響で大雨に警戒
- 人気アプリがアップデート

● ポイント解説

● 注意ポイント

• Webサイトによって見出しのタグ（h3, a, span など）は違います。
  必ずそのサイトのHTMLを確認しましょう（右クリック→「ページのソースを表示」）
• スクレイピングが禁止されているサイトもあるので、利用規約は必ずチェック！

4. Googleスプレッドシートへ書き込む方法

前の章では、Webスクレイピングでニュースの見出しを取り出す方法を学びました。
今度は、そのデータをGoogleスプレッドシートに自動で書き込む方法を紹介します！

● 必要なライブラリをおさらい

Googleスプレッドシートにアクセス・操作するためには、以下のライブラリを使います：

• gspread：スプレッドシートに接続・編集する
• gspread_dataframe：pandasのDataFrameとスプレッドシートをやりとりする
• oauth2client：Googleの認証情報を使う
• pandas：データを表形式で扱う

● スプレッドシートへ書き込む基本コード

import gspread
from oauth2client.service_account import ServiceAccountCredentials
import pandas as pd
from gspread_dataframe import set_with_dataframe

# Google APIにアクセスするための範囲（スコープ）を設定
scope = [
    "https://spreadsheets.google.com/feeds",
    "https://www.googleapis.com/auth/drive"
]

# 認証情報の読み込み
credentials = ServiceAccountCredentials.from_json_keyfile_name("credentials.json", scope)

# gspreadでGoogleスプレッドシートに接続
client = gspread.authorize(credentials)

# スプレッドシートを開く（タイトル名を指定）
spreadsheet = client.open("スクレイピング結果")  # ← スプレッドシート名は自分で作っておく！

# シートを指定（1枚目を使用）
worksheet = spreadsheet.sheet1

# サンプルデータ（スクレイピングした結果）
data = {
    "記事タイトル": [
        "政府が新たな対策を発表",
        "台風の影響で大雨に警戒",
        "人気アプリがアップデート"
    ]
}

# DataFrameに変換
df = pd.DataFrame(data)

# スプレッドシートに書き込む（既存データを上書き）
set_with_dataframe(worksheet, df)

● ここまでの流れまとめ

1. credentials.jsonでGoogleアカウントにアクセス許可を得る
2. gspreadでスプレッドシートに接続
3. pandasのDataFrameを作成
4. set_with_dataframe()で一括書き込み！

● 画面イメージ（スプレッドシートに書き込まれる内容）

● ワンポイントアドバイス

• スプレッドシートの「共有設定」で、サービスアカウントのメールアドレスに「編集権限」を忘れずに！
• すでにデータが入っている場合は上書きされるので注意してください。
• worksheet.append_row()を使えば追記もできますが、DataFrame形式ならset_with_dataframe()が便利です。

5. 実践：スクレイピング→スプレッドシート書き込みまでの一連のコード例

これまで紹介してきた、

• Webスクレイピングでデータを取得
• Googleスプレッドシートに書き込む

この2つを1つのPythonスクリプトにまとめて、実際に動かせるようにしてみましょう！

● やることまとめ

今回のスクリプトでは、以下の流れを実行します：

1. ニュースサイトのトップページにアクセス
2. 記事の見出しを抜き出す
3. pandasのDataFrameにまとめる
4. Googleスプレッドシートに書き込む

● 実践コード全体（コピペOK！）

import requests
from bs4 import BeautifulSoup
import pandas as pd

import gspread
from oauth2client.service_account import ServiceAccountCredentials
from gspread_dataframe import set_with_dataframe

# スクレイピング対象のURL
url = "https://news.yahoo.co.jp/"

# Webページを取得
response = requests.get(url)

# ニュースの見出しをリストに格納
headlines = []
if response.status_code == 200:
    soup = BeautifulSoup(response.text, "html.parser")
    for h in soup.find_all("h3"):
        title = h.get_text().strip()
        if title:
            headlines.append(title)
else:
    print("Webページの取得に失敗しました")

# データをDataFrameに変換
df = pd.DataFrame({"記事タイトル": headlines})

# Google Sheets API認証の設定
scope = [
    "https://spreadsheets.google.com/feeds",
    "https://www.googleapis.com/auth/drive"
]
credentials = ServiceAccountCredentials.from_json_keyfile_name("credentials.json", scope)
client = gspread.authorize(credentials)

# スプレッドシートの操作
spreadsheet = client.open("スクレイピング結果")  # 自分で作ったスプレッドシート名
worksheet = spreadsheet.sheet1

# スプレッドシートにデータを書き込む
set_with_dataframe(worksheet, df)

print("スプレッドシートに書き込みが完了しました！")

● 実行前のチェックリスト ✅

• credentials.json ファイルが同じフォルダにあるか確認
• Googleスプレッドシートを事前に作成済みか確認（「スクレイピング結果」など）
• サービスアカウントに編集権限を付与済みか確認

● 実行するとどうなる？

スクリプトを実行すると、Yahooニュースのトップページから見出しを取得し、Googleスプレッドシートの1枚目に記事タイトルの一覧が自動で書き込まれます！

● 応用のヒント 💡

• 天気サイトの気温データを毎日記録
• ECサイトの商品価格を定期チェック
• 毎朝スクリプトを自動実行（後ほど紹介するcronなどで実現）

6. エラー対処法とよくあるつまずきポイント

PythonでWebスクレイピングやGoogleスプレッドシート連携をしていると、最初のうちはエラーが出てしまうこともよくあります。

でも大丈夫！
ここではよくあるエラーとその原因、そして対処方法を丁寧に解説していきます。

✅ よくあるエラーとその解決法

● ① FileNotFoundError: [Errno 2] No such file or directory: 'credentials.json'

原因：
認証ファイル credentials.json がプログラムと同じフォルダに置かれていない、またはファイル名が違う。

対処法：

• ファイルが存在するか確認
• 拡張子まで含めて正確に「credentials.json」かどうかをチェック

● ② gspread.exceptions.APIError: 403 PERMISSION_DENIED

原因：
スプレッドシートの共有設定で、サービスアカウントに編集権限が付いていない。

対処法：

• スプレッドシートの「共有」ボタンから、
  xxxxx@project-id.iam.gserviceaccount.com というメールアドレスを編集者として追加

● ③ requests.exceptions.ConnectionError や Timeout

原因：
アクセス先のWebサイトに一時的に接続できない／ブロックされている。

対処法：

• 時間を置いて再実行
• headers を使って「ブラウザっぽく」アクセスする（例：User-Agentを追加）

headers = {"User-Agent": "Mozilla/5.0"}
response = requests.get(url, headers=headers)

● ④ スプレッドシートに書き込んだデータの行列がズレる・空欄になる

原因：
DataFrameのデータに問題がある（空の行、特殊文字など）

対処法：

• df.dropna() で空データを削除
• 文字列が途中で改行されていないか確認（.strip() を使うときれいになります）

● ⑤ APIの呼び出し制限（Rate Limit）にひっかかる

原因：
Google Sheets APIには「一定時間内に何回まで」という制限があります。

対処法：

• 書き込みの回数を減らす（1行ずつ書くより、一括書き込みがおすすめ）
• set_with_dataframe() を使ってまとめて書き込む

🔰 トラブルを避けるコツ

• 一度に動かそうとせず、少しずつ動作確認しながら書いていく
• print() を多用して、どこで止まっているかチェック
• 初回は「最小構成」で試す（データ1件だけ書き込むなど）

これで、よくあるエラーにも落ち着いて対処できるはずです！

7. まとめ

この記事では、Pythonを使ってWebサイトから情報を集め（スクレイピング）、それをGoogleスプレッドシートに自動で書き込む方法を、初心者の方にもわかりやすく紹介してきました。

📌 今回のポイントをおさらい

• requests + BeautifulSoup を使えば、Webページから欲しい情報を自動で取り出せる
• gspread + pandas を使えば、スプレッドシートへの書き込みも簡単にできる
• Googleの**認証設定（credentials.json）**は最初だけちょっと手間。でも一度設定すれば何度でも使える
• スプレッドシートにデータを書き込めると、日々の記録や業務自動化が一気にラクになる！

🧠 Python × Googleスプレッドシートは最強の自動化コンビ！

• 「毎日手動でコピペしてる情報がある…」
• 「表にまとめたいけど、作業が面倒…」

そんな悩みを持つ人にこそ、Pythonでのスクレイピング＆スプレッドシート連携は大きな助けになります！

あわせて読みたい

Google Sheets APIの使い方や認証の流れ、gspreadの基本をもっと詳しく知りたい方はこちら。
👉 PythonでGoogleスプレッドシートを操作する方法（基本編）

スクレイピングの基礎をもう少し深掘りしたい方に。HTMLの構造とタグの選び方を解説！
👉 【Python入門】Webスクレイピングの基本｜requestsとBeautifulSoupの使い方

Google Sheets以外にも、ローカルに保存する方法が知りたい人向け。
👉 【保存編】PythonでCSV・Excelファイルにデータを書き出す方法

よくある質問（Q&A）